Pemodelan Indikator Pencemar Biological Oxygen Demand di Kali Surabaya Menggunakan Pendekatan Spatial-Temporal Weighted Regression

Pemodelan Indikator Pencemar Biological Oxygen

Demand di Kali Surabaya Menggunakan Pendekatan

Spatial-Temporal Weighted Regression

Achmad Choiruddin

PENDAHULUAN

TINJAUAN PUSTAKA

METODE PENELITIAN

ANALISIS DAN PEMBAHASAN

KESIMPULAN

LATAR BELAKANG

PENCEMARAN SUNGAI

96%

Air Baku

PDAM Surabaya

PEMERINTAH

1. Konservasi 2. Pengerukan 3. Evaluasi Indikator Pencemaran Air

Faktor-Faktor yang

Mempengaruhi

BOD

LATAR BELAKANG

96%

Air Baku

PDAM Surabaya

Faktor-Faktor yang

Mempengaruhi

Regresi Linier

1. Konservasi 2. Pengerukan 3. Evaluasi Indikator Pencemaran Air

PEMERINTAH

GWR

STWR

BOD

MGWR

Bagaimana MENDESKRIPSIKAN KONDISI

PENCEMARAN SUNGAI di Kali Surabaya berdasarkan

indikator pencemar BOD ?

Bagaimana MENYUSUN MODEL BOD sungai di

Surabaya dengan metode

Spatial-Temporal Weighted

Regression

yang selanjutnya dapat DIPEROLEH

FAKTOR-FAKTOR YANG MEMPENGARUHI BOD SUNGAI

DI SURABAYA ?

MENDESKRIPSIKAN KONDISI

PENCEMARAN SUNGAI

di Kali Surabaya

berdasarkan indikator pencemar BOD

MENYUSUN MODEL BOD

sungai di Surabaya

dengan metode

Spatial-Temporal Weighted

Regression

yang selanjutnya dapat

DIPEROLEH

FAKTOR-FAKTOR YANG MEMPENGARUHI

BOD SUNGAI DI SURABAYA

MENGEMBANGKAN WAWASAN KEILMUAN

yang berkaitan dengan Metode STWR dan

Aplikasinya. Selain itu hasil penelitian dapat

digunakan sebagai

RUJUKAN PADA

PENELITIAN SELANJUTNYA

MEMBERIKAN INFORMASI

bagi instansi

pemerintah Kota Surabaya terkait

FAKTOR-FAKTOR YANG MEMPENGERAHUI

PENCEMARAN AIR SUNGAI DI SURABAYA

Penelitian ini dibatasi pada pemodelan indikator

pencemaran air BOD sungai di Surabaya, yang

didasarkan pada data pemantauan pencemaran air

yang dilakukan oleh Badan Lingkungan Hidup Kota

Surabaya pada tahun 2010 – 2012. Setiap tahun terdiri

dari dua kali pengamatan, yakni pengamatan pada

musim kemarau dan musim hujan.

Air dikatakan tercemar apabila kondisi air tersebut telah

menyimpang dari keadaan normalnya (Wardhana, 2004)

PENCEMARAN AIR

Air tercemar dapat diakibatkan dari berbagai sumber

pencemaran, diantaranya adalah oleh limbah domestik,

limbah industri, serta dari pertanian dan perkebunan

(BBTKL-PPM, 2010)

REGESI LINIER

Model regresi linear sederhana untuk

k

variabel prediktor dapat

ditulis dalam bentuk :

Jika dituliskan dalam bentuk matrik :

Dimana :

GEOGRAPHICALLY

WEIGHTED REGRESSION

Model GWR :

Teknik regresi lokal yang memungkinkan parameter model bervariasi

di setiap lokasi (Brundson, Fotheringham, & Charlton, 1999)

Estimasi parameter model GWR :

Dimana :

Bobot untuk pengujian

di sekitar titik

i

GEOGRAPHICALLY

WEIGHTED REGRESSION

(Propastin,

et al.

, 2008)

Cross Validation (CV) :

Penentuan bandwidth optimum

Pembobotan model GWR :

2 2

)

(

)

(

_{i j i j} ij

u

u

v

v

d

=

−

+

−

Jarak Euclidean

(Fotheringham,

et al.

, 1997)

(Fotheringham,

et al.

, 1997)

SPATIAL-TEMPORAL

WEIGHTED REGRESSION

n

i

x

t

v

u

t

v

u

y

_{ik i} p k i i i k i i i i

(

,

,

)

(

,

,

)

,

1

,

2

,...

1 0

+

+

=

=

∑

=

ε

β

β

Metode

Spatial-Temporal Geographically Weighted Regression

(STWR)

adalah pengembangan dari metode GWR yang mampu mengakomodasi

adanya efek heterogenitas spasial-temporal (Yu & Lay, 2011)

Y

W

X

X

W

X

β

ˆ

(

,

,

)

(

(

,

,

)

)

(

,

,

)

u

_i

v

_i

t

_i

=

T

u

_i

v

_i

t

_i −1 T

u

_i

v

_i

t

_i

SPATIAL-TEMPORAL

WEIGHTED REGRESSION

T S ST

d

d

d

=

λ

+

µ

2 2 2 ) ( } ) ( ) {( _{i j i j i j} ST ij u u v v t t d =

λ

− + − +

µ

−

( )

2 _{2 2 2}

)

(

}

)

(

)

{(

_{i j i j i j} ST ij

t

t

v

v

u

u

d

−

+

−

+

−

=

τ

λ

,

0

≠

λ

λ

µ

τ

=

PENELITIAN TERDAHULU

Koesnariyanto (2012)

Pencemaran Kali Surabaya Menggunakan Metode GWR

Lumaela (2012)

Pencemaran Kali Surabaya

Menggunakan Metode Mixed GWR

PENCEMARAN AIR DI

KALI SURABAYA

Baik

pada kasus

HETEROGENITAS SPASIAL

,

Namun

TIDAK DAPAT

mengakomodasi efek

HETEROGENITAS

TEMPORAL

PENELITIAN TERDAHULU

Huang, Wu, & Barry (2010)

Pemodelan Variasi Harga Rumah

Yu & Lay (2011)

Pemodelan Kriminalitas

SPATIAL-TEMPORAL

WEIGHTED REGRESSION

Mampu mengakomodasi

HETEROGENITAS

SPATIAL DAN

TEMPORAL

Pemodelan Pencemaran

METODE PENELITIAN

Sumber Data

Data yang digunakan pada penelitian ini adalah

data sekunder tentang indikator pencemaran air

sungai yang diperoleh dari Badan Lingkungan

Hidup (BLH) Kota Surabaya. Dalam penelitian ini

unit yang diteliti adalah 6 titik lokasi sungai di

Surabaya selama 6 waktu pengukuran

Kali Surabaya di Jembatan Jl. Kedurus

Kali Mas di Jembatan Jl. Ngagel

Kali Mas di Jembatan Jl. Keputran Selatan

Kali Mas di Jembatan Kebon Rojo

Kali Jeblokan di Jembatan Jl. Petojo

Kali Surabaya di Jembatan Wonokromo

Variabel Penelitian

Kode Variabel Satuan Tipe Variabel

Y Biological Oxygen Demand (BOD) mg/l Kontinu

X₁ Suhu air sungai Celcius Kontinu

X₂ Detergen miug/l Kontinu

X₃ Flourida mg/l Kontinu

X₄ Fosfat (PO₄) mg/l Kontinu

X₅ Nitrat (NO₃) mg/l Kontinu

X₆ Amonia (NH₃) mg/l Kontinu

X₇ Nitrit (NO₂) mg/l Kontinu

X₈ Total Suspended Solid mg/l Kontinu

Langkah Analisis

METODE PENELITIAN

Menentukan Variabel Prediktor

Mendeskripsikan Masing-Masing Variabel

Melakukan Identifikasi Variabel Respon dan Variabel Prediktor Melakukan Pemodelan Menggunakan Regresi Linier

Melakukan Pemodelan Menggunakan GWR Melakukan Pemodelan Menggunakan STWR

DESKRIPSI BOD DAN FAKTOR-FAKTOR

YANG DIDUGA MEMPENGARUHI

Variabel

Rataan StDev Minimum Maksimum

BOD (mg/l)

5.79

1.77

2.84

9.73

Suhu (

o

_C)

_28.61

_0.49

_28.00

_29.00

Detergen (miug/l) 158.37 34.20

11.07

200.00

Flourida (mg/l)

0.58

0.36

0.01

1.32

Fosfat (mg/l)

0.47

1.10

0.08

6.58

Nitrat (mg/l)

2.16

0.99

0.44

5.54

NH3 (mg/l)

0.71

1.73

0.003

9.19

Nitrit (mg/l)

0.17

0.19

0.0047

0.77

TSS (mg/l)

146.20 166.60

2.00

730.00

DESKRIPSI BOD MENURUT

WAKTU PENGAMATAN

Waktu

Rataan StDev Minimum Maksimum

Maret 2010

5.488 1.173

4.06

7.17

September 2010

5.273 2.395

3.05

9.07

Maret 2011

5.625 1.019

3.96

6.92

September 2011

6.492 1.881

4.65

8.92

Maret 2012

7.113 1.474

5.86

9.73

September 2012

4.743 1.913

2.84

8.37

Kali Jeblokan

Jalan Petojo

Identifikasi Pola Hubungan Antara BOD dan

Faktor-faktor yang diduga mempengaruhi

29.0 28.5 28.0 9 6 3 200 100 0 0.0 0.5 1.0 5.0 2.5 0.0 0 2 4 0 5 10 9 6 3 0.8 0.4 0.0 9 6 3 800 400 0 Suhu BO D Detergen Flourida Fosfat Nitrat NH3 Nitrit TSS

Identifikasi Pola Hubungan Antara BOD dan

Faktor-faktor yang diduga mempengaruhi

Nilai

Suhu

Detergen

Flourida

Fosfat

Korelasi

-0.152

0.069

0.24

-0.032

P-value

0.375

0.690

0.159**

0.853

Nilai

Nitrat

NH3

Nitrit

TSS

Korelasi

-0.153

0.228

0.546

-0.132

P-value

0.374

0.181**

0.001*

0.443

Pemodelan Menggunakan Regresi Linier

Ket : *) Signifikan pada α=0.05, **) Signifikan pada α=0.1

Prediktor Estimasi T Hitung P-value

Constant

5.789

28.4

0.000

Suhu

-0.241

-0.87

0.395

Detergen

0.248

0.82

0.422

Flourida

0.969

3.75 0.001*

Fosfat

0.553

1.81 0.081**

Nitrat

0.868

2.23 0.034**

NH3

0.464

1.99 0.056**

Nitrit

1.552

5.88 0.000*

TSS

-0.313

-1.29

0.207

Sumber Df SS MS F P-value Regression 8 69.549 8.694 5.810 0.000 Residual 27 40.400 1.496 Total 35 109.949

Uji Individu

R-sq = 59.9%

𝑦𝑦�

= 0.9635 + 2.668

𝑥𝑥

₃

+ 0.399

𝑥𝑥

₄

+ 0.711

𝑥𝑥

₅

+ 0.271

𝑥𝑥

₆

+ 8.069

𝑥𝑥

₇

Uji Serentak

Pengujian Spatial-Temporal Heterogen

Sept_12 Maret_12' Sept_11' Maret_11' Sept_10' Maret_10' 10 9 8 7 6 5 4 3 2 BO D

studentized Breusch-Pagan test

BP = 5.7992, df = 5, p-value = 0.3263

H

₀

: kesamaan varian atau homoskedastisitas

H

₁

: heterokedastisitas

_{Pengujian Spasial}

Heterogen

Deskripsi Asumsi

Temporal Heterogen

Pemodelan Menggunakan GWR

Parameter Minimum Median Maksimum

X.Intercept 0.946

0.995

1.020

Flourida

2.637

2.656

2.679

Fosfat

0.376

0.389

0.429

Nitrat

0.694

0.702

0.709

NH3

0.265

0.271

0.274

Nitrit

7.854

7.918

8.187

R

2

_0.6167

POSITIF

Pemodelan Menggunakan STWR

Pembobotan model GWR :

2 2

)

(

)

(

_{i j i j} ij

u

u

v

v

d

=

−

+

−

Jarak Euclidean GWR

2 2 2

)

(

}

)

(

)

{(

_{i j i j i j} ST ij

u

u

v

v

t

t

d

=

λ

−

+

−

+

µ

−

( )

2 _{2 2 2}

)

(

}

)

(

)

{(

_{i j i j i j} ST ij

t

t

v

v

u

u

d

−

+

−

+

−

=

τ

λ

,

0

≠

λ

λ

µ

τ

=

(

2

)

)

(

exp

STij _ST ij ST

h

d

w

=

−

Pembobotan model STWR :

Jarak Euclidean STWR

Pemodelan Menggunakan STWR

Iterasi Parameter Tau

Iterasi Parameter Miu dan Lamda

0.0 0.5 1.0 1.5 0. 85 0. 90 0. 95 1. 00 tau R .s quar e 0.0 0.4 0.8 0 .6 0 .7 0 .8 0 .9 1 .0 miu R .s quar e 0.0 0.4 0.8 0 .6 0 .7 0 .8 0 .9 1 .0 lamda R .s quar e

Iterasi ke-60, R-sq=100%

0.477 0.53 0.9

Iterasi ke-53, R-sq=97.83%

Pemodelan Menggunakan STWR

Parameter Minimum Maksimum

X.Intercept -13.699

8.25

Flourida

-113.002 10.451

Fosfat

2.869

11.971

Nitrat

-3.169

10.271

NH3

-2.832

4.548

Nitrit

5.042

139.352

R

2

_0.9971

Perbandingan GWR dan STWR

LEBIH BAIK

Metode

R

2

_AIC

_SSE

GWR

0.6167 114.2248 42.1385

STWR 0.9971 1.1282

0.0868

GWR

STWR

Benar Salah Jumlah

Benar

1

32

33

Salah

0

3

3

Jumlah

1

35

36

Z

12

=5.567 > Z

0.05

(1.645)

SIGNIFIKAN LEBIH BAIK

Perbandingan Berdasarkan Kriteria Kebaikan Model

Interpretasi Model Terbaik

Ket : X₁ = Flourida, X₂ = Fosfat, X₃ = Nitrat, X₄ = NH3, X₅ = Nitrit

2

3

4

5

6

X

₂

, X

₃

, X

₅

X

₁

X

₂

, X

₅

Semua X

₁

X

₂

, X

₃

, X

₅

-

X

₂

, X

₅

Semua X

₁

X

₂

, X

₃

, X

₅

-

X

₂

, X

₅

Semua X

₁

X

₂

, X

₃

, X

₄

, X

₅

X

₁

X

₂

, X

₅

Semua X

₁

X

₂

, X

₃

, X

₄

, X

₅

X

₁

X

₂

, X

₅

Semua X

₁

X

₂

, X

₃

, X

₄

, X

₅

X

₁

, X

₃

X

₂

, X

₅

Semua X

₁

L\W

1

1

Semua

2

Semua

3

Semua

4

Semua

5

Semua

6

Semua

Interpretasi Model Terbaik

Ket : X₁ = Flourida, X₂ = Fosfat, X₃ = Nitrat, X₄ = NH3, X₅ = Nitrit

2

X

₂

, X

₃

, X

₅

X

₂

, X

₃

, X

₅

X

₂

, X

₃

, X

₅

X

₂

, X

₃

, X

₄

, X

₅

X

₂

, X

₃

, X

₄

, X

₅

X

₂

, X

₃

, X

₄

, X

₅

6

X

₁

X

₁

X

₁

X

₁

X

₁

X

₁

Interpretasi Model Terbaik

Ket : X₁ = Flourida, X₂ = Fosfat, X₃ = Nitrat, X₄ = NH3, X₅ = Nitrit

L\W

1

2

3

4

5

6

1

Semua

X

₂

, X

₃

, X

₅

X

₁

X

₂

, X

₅

Semua X

₁

2

Semua

X

₂

, X

₃

, X

₅

-

X

₂

, X

₅

Semua X

₁

6

Semua X

₂

, X

₃

, X

₄

, X

₅

X

₁

, X

₃

X

₂

, X

₅

Semua X

₁

Kesimpulan

1. Rata-rata kadar BOD di Kali Surabaya pada tahun 2010-2012

adalah 5.789 mg/l. Dari 6 waktu pengukuran, Kali jeblokan di

jalan Petojo memiliki kandungan BOD maksimum 4 kali

pengukuran, yakni pada pengukuran Maret 2010, September

2010, September 2011, dan September 2012.

2. Pemodelan BOD Kali Surabaya menggunakan metode STWR

memberikan hasil yang lebih baik daripada menggunakan

metode GWR. Faktor-faktor yang dianggap signifikan

mempengaruhi BOD Kali Surabaya adalah Flourida, Fosfat, Nitrat,

NH3, dan Nitrit. Efek heterogen temporal dianggap lebih

Saran

1. Melakukan kajian mengenai penentuan variabel yang

merepresentasikan waktu pengamatan.

2. Menentukan statistik uji spatio-temporal heterogenitas agar

dapat diketahui dengan pasti adanya kasus heterogen

spasial-temporal.

3. Melakukan kajian pemodelan STWR menggunakan fungsi kernel

Gaussian adaptive

,

Bisquare

(

fixed

dan

adaptive

), dan

Tricube

(

fixed

dan

adaptive

).

4. Melakukan kajian penelitian jika jumlah lokasi pengamatan dan

waktu pengamatan tidak sama.

DAFTAR PUSTAKA

Anselin, L. (1998). Spatial Econometrics: Methods and Models. Netherlands: Kluwer Academic Publishers.

BBTKL-PPM. (2010). Laporan Situasi dan Kecenderungan Parameter Pencemaran Air Badan Air Serta Risiko Gangguan Kesehatan Di Kali Surabaya Semester II.

Surabaya: Balai Besar Teknik Kesehatan Lingkungan dan Pemberantasan Penyakit Menular.

BLH-Surabaya. (2011). Kualitas Air Surabaya Mengalami Penurunan. Retrieved January 30, 2013, from http://www.lh.blhsby.go.id

Daniel, W. W. (1989). Statistika Nonparametrik Terapan. Jakarta: PT Gramedia.

Draper, N., & Smith, H. (1992). Analisis Regresi Terapan.Jakarta: PT Gramedia Pustaka Utama.

Fotheringham, A. S., Charlton, M. E., & Brunsdon, C. (1997). Geographically weighted regression: a natural evolution of the expansion method for spatial data analysis. Environment and Planning A 1998, vol. 30 , 1905-1927.

Groβ, J. (2003). Variance Inflation Factors. R news , 13-15.

Gujarati, D. (2004). In Basic Econometrics, Fourth Edition. New York: Mc Graw-Hill, Inc. Hocking, R. (1996). Methods and Application of Linear Models. New York: John Wiley

DAFTAR PUSTAKA

Huang, B., Wu, B., & Barry, M. (2010). Geographically and Temporally Weighted Regression for Modeling Spatio-Temporal Variation in Houses Prices.

International Journal of Geographical Information Science , 383-401.

Koesnariyanto, R. (2012). Pemodelan Indikator Pencemaran Air Secara Kimia (BOD) Dengan Geographically Weighted Regression. Surabaya: Program Magister Fakultas Kesehatan Masyarakat Universitas Airlangga.

Kusumawardani, D. (2010). Valuasi Ekonomi Air Bersih di Surabaya (Studi Kasus Pada Air PDAM). Yogyakarta: Lembaga Penelitian dan Pengabdian Kepada Masyarakat UGM.

Lumaela, A. K. (2012). Pemodelan Chemical Oxygen Demand Sungai di Surabaya Dengan Metode Mixed Geographically Weighted Regression. Surabaya: Institut Teknologi Sepuluh Nopember.

Mennis, J. (2006). Mapping the Results of Geographically Weighted Regression. The Cartographic Journal Vol. 43 No. 2 , 171-179.

Propastin, P., Kappas, M., & Erasmi, S. (2008). Application of Geographically Weighted Regression to Investigate the Impact of Scale on Prediction Uncertainty by

Modelling Relationship between Vegetation and Climate. International Journal of Spatial Data Infrastructures Research Vol. 3 , 73-94.

DAFTAR PUSTAKA

Purwatiningsih, S. (2005). Kajian Kualitas Kali Surabaya Ditinjau Dari Aspek Lingkungan, Peraturan Perundangan, dan Kelembagaan.Surabaya: Teknik Lingkungan Institut Teknologi Sepuluh Nopember.

Rahayu, S., Widodo, R. H., Noordwijk, M. v., Suryadi, I., & Verbist, B. (2009).

Monitoring Air di Daerah Aliran Sungai. Bogor, Indonesia: World Agroforestry Centre - Southeast Asia Regional Office. 104 p.

Sastrawijaya, A. T. (2000). In A. T. Sastrawijaya, Pencemaran Lingkungan. Jakarta: Rineka Cipta.

Wardhana, W. A. (2004). Dampak Pencemaran Lingkungan (Edisi Revisi). Yogyakarta: ANDI.

Yrigoyen, C. C., Rodríguez, I. G., & Otero, J. V. (2006). Modeling Spatial Variations in Household Disposable Income with Geographically Weighted Regression. Madrid: Instituto L.R. Klein.

Yu, P.-H., & Lay, J.-G. (2011). Exploring Non-stationarity of Local Mechanism of Crime events with Spatial-temporal Weighted Regression. 7-12.

Pemodelan Indikator Pencemar Biological Oxygen

Demand di Kali Surabaya Menggunakan Pendekatan

Spatial-Temporal Weighted Regression

Achmad Choiruddin